陀螺仪与加速度计原理及IMU数据处理实践

1. 陀螺仪与加速度计基础原理

1.1 陀螺仪工作原理与右手定则

陀螺仪测量的是物体绕三个轴的角速度，单位为弧度/秒(rad/s)或度/秒(°/s)。理解其工作原理的关键在于掌握右手定则：

python复制# 示例陀螺仪数据
gyro = [0, 0, -np.pi/2]  # 绕Z轴顺时针旋转90°/s

关键提示：实际应用中需注意传感器安装方向可能与设备坐标系不一致，需要进行轴映射转换。

1.2 加速度计工作原理与重力分量

加速度计测量的是包括重力在内的三轴线性加速度。静止状态下，各轴读数反映的是重力在传感器坐标系下的分量：

python复制# 不同姿态下的典型加速度计读数
平放 = [0, 0, -9.81]  # m/s²
竖立 = [0, -9.81, 0]
侧立 = [-9.81, 0, 0]
45度倾斜 = [-6.94, 0, -6.94]  # sin(45°)*9.81 ≈ 6.94

重力分量验证公式：

math复制\sqrt{acc_x^2 + acc_y^2 + acc_z^2} = 9.81\ m/s²

2. IMU数据模拟与预处理

2.1 多阶段运动场景模拟

我们设计了一个包含5个典型运动阶段的模拟场景：

python复制def generate_imu_data(duration=25, fs=100):
    t = np.linspace(0, duration, duration*fs)
    acc = np.zeros((len(t), 3))
    gyro = np.zeros((len(t), 3))
    
    # 阶段1：0-5秒静止
    acc[:500] = [0, 0, -9.81]
    
    # 阶段2：5-10秒匀速抬升
    acc[500:1000] = [0, 0, -9.81]  # 匀速运动加速度为0
    
    # 阶段3：10-15秒向前加速
    acc[1000:1500] = [3, 0, -9.81]  # X轴3m/s²加速度
    
    # 阶段4：15-20秒旋转
    gyro[1500:2000, 2] = -np.pi/2  # Z轴-90°/s
    
    # 阶段5：20-25秒自由落体
    acc[2000:] = 0  # 失重状态
    
    # 添加噪声
    acc += np.random.normal(0, 0.1, acc.shape)
    gyro += np.random.normal(0, 0.01, gyro.shape)
    
    return t, acc, gyro

2.2 数据预处理关键技术

2.2.1 重力分离算法

python复制def remove_gravity(acc, fs=100, cutoff=0.5):
    # 设计4阶巴特沃斯低通滤波器
    b, a = signal.butter(4, cutoff/(fs/2), 'low')
    
    gravity = np.zeros_like(acc)
    for i in range(3):
        gravity[:, i] = signal.filtfilt(b, a, acc[:, i])
    
    motion_acc = acc - gravity
    return motion_acc, gravity

注意事项：截止频率选择很关键，通常取0.1-1Hz。过高会残留运动加速度，过低会导致重力跟踪延迟。

2.2.2 陀螺仪零偏校准

python复制# 使用静止段数据计算零偏
static_samples = 500  # 前5秒静止数据
gyro_bias = np.mean(gyro[:static_samples], axis=0)
gyro_calibrated = gyro - gyro_bias

校准前后对比：

3. 姿态解算与运动识别

3.1 互补滤波算法实现

python复制def complementary_filter(acc, gyro, dt, alpha=0.02):
    n = len(acc)
    pitch, roll = np.zeros(n), np.zeros(n)
    
    for i in range(1, n):
        # 加速度计角度计算
        acc_pitch = np.arctan2(-acc[i,0], np.sqrt(acc[i,1]**2 + acc[i,2]**2))
        acc_roll = np.arctan2(acc[i,1], acc[i,2])
        
        # 陀螺仪积分
        pitch[i] = pitch[i-1] + gyro[i,1] * dt
        roll[i] = roll[i-1] + gyro[i,0] * dt
        
        # 互补融合
        pitch[i] = (1-alpha)*pitch[i] + alpha*np.degrees(acc_pitch)
        roll[i] = (1-alpha)*roll[i] + alpha*np.degrees(acc_roll)
    
    return pitch, roll

滤波系数选择建议：

3.2 运动状态分类算法

python复制def classify_motion(motion_acc, gyro, pitch, roll, 
                   acc_thresh=0.5, gyro_thresh=0.1):
    states = []
    acc_mag = np.sqrt(np.sum(motion_acc**2, axis=1))
    gyro_mag = np.sqrt(np.sum(gyro**2, axis=1))
    
    for i in range(len(motion_acc)):
        if acc_mag[i] < 2.0:  # 自由落体检测
            states.append('自由落体')
        elif acc_mag[i] < acc_thresh and gyro_mag[i] < gyro_thresh:
            states.append('静止')
        elif gyro_mag[i] > 1.0:
            states.append('快速旋转')
        elif gyro_mag[i] > gyro_thresh:
            states.append('缓慢旋转')
        else:  # 线性运动判断
            if abs(motion_acc[i,0]) > abs(motion_acc[i,1]):
                direction = '向前' if motion_acc[i,0]>0 else '向后'
            else:
                direction = '向左' if motion_acc[i,1]>0 else '向右'
            states.append(f'{direction}加速')
    
    return states

分类性能指标：

4. 数据分析与可视化

4.1 多维度数据可视化

python复制# 创建4子图布局
fig, axes = plt.subplots(4, 1, figsize=(15,12))

# 原始加速度
axes[0].plot(t, acc, label=['X','Y','Z'])
axes[0].set_ylabel('加速度(m/s²)')

# 运动加速度
axes[1].plot(t, motion_acc)
axes[1].axhline(0, color='gray', linestyle='--')

# 姿态角
axes[2].plot(t, pitch, label='俯仰')
axes[2].plot(t, roll, label='横滚')

# 运动状态
state_colors = {'静止':'gray', '自由落体':'purple', ...}
for state in set(states):
    mask = [s==state for s in states]
    axes[3].fill_between(t[mask], 0, 1, color=state_colors[state], label=state)

4.2 运动特征分析

关键特征提取：

特征统计结果：

5. 工程实践建议

5.1 传感器选型指南

5.2 常见问题解决方案

5.3 性能优化技巧

1. 实时性优化：

   • 使用定点数运算替代浮点
   • 预计算三角函数表
   • 采用环形缓冲区减少内存拷贝

2. 精度提升方法：

   • 温度补偿校准
   • 非线性误差校正
   • 多传感器数据同步

3. 鲁棒性增强：

   • 异常值检测与剔除
   • 传感器失效检测
   • 数据完整性校验

实际部署中发现，在FS=100Hz时，互补滤波算法在Cortex-M4处理器上仅需0.8ms即可完成一帧数据处理，满足实时性要求。通过增加简单的移动平均滤波，可将角度估计的RMS误差从1.2°降低到0.7°。